LADSG：用于垂直联邦学习标签隐私的标签匿名化蒸馏与相似梯度替换

垂直联邦学习 (VFL) 已成为一种在分布式特征空间中进行协作模型训练的有前景的范例，这使我们能够在不共享原始数据的情况下进行隐私保护的学习。然而，最近的研究确认了通过内部对手进行标签推断攻击的可行性。通过策略性地利用梯度向量和语义嵌入，攻击者——通过被动攻击、主动攻击或直接攻击——可以准确重建私有标签，从而导致灾难性的数据泄露。现有的防御措施通常只针对孤立的泄露路径或为特定类型的攻击设计，仍然对利用多个路径同时发生的新兴混合攻击保持脆弱。为填补这一差距，我们提出了标签匿名化防御与替换梯度 (LADSG)，这是一种用于 VFL 的统一且轻量级防御框架。LADSG 首先通过软蒸馏对真实标签进行匿名化以减少语义暴露，然后生成语义对齐的替代梯度以破坏基于梯度的泄露，最后通过梯度范数检测过滤异常更新。该方法可扩展且与标准 VFL 流水线兼容。在六个真实数据集上的大量实验表明，LADSG 可通过最小的计算开销，将所有三类型标签推断攻击的成功率降低 30-60%，显示其实际有效性。